基于大數(shù)據(jù)的配電網(wǎng)故障診斷預測模型設計

程曉磊，王鵬，王淵，趙嘉冬

（內(nèi)蒙古電力經(jīng)濟技術研究院，內(nèi)蒙古 呼和浩特 010090）

隨著社會經(jīng)濟的發(fā)展和人民生活水平的不斷提高，電力系統(tǒng)能夠直接影響人們的日常生活，配電網(wǎng)使用者對電網(wǎng)的安全性和可靠性的要求越來越高。隨著人口數(shù)量的劇增，電荷負載不斷加重，導致配電網(wǎng)中的數(shù)據(jù)量呈現(xiàn)海量增長趨勢。大數(shù)據(jù)環(huán)境對電網(wǎng)結構造成對配電網(wǎng)故障診斷和預測的難度逐漸增大，配電網(wǎng)的安全問題日益突出[1]，配電網(wǎng)安全事故頻頻發(fā)生。構建可以預測大數(shù)據(jù)環(huán)境下配電網(wǎng)故障發(fā)生位置的故障診斷模型是提高配電網(wǎng)可靠性和安全性的重要手段[2]。傳統(tǒng)基于無線傳感器的配電網(wǎng)故障診斷預測模型，對大數(shù)據(jù)環(huán)境下的配電網(wǎng)數(shù)據(jù)實施診斷過程中，存在故障位置判斷不準確且耗費大量時間、配電網(wǎng)的經(jīng)濟效益較低的嚴重問題[3]。因此，文章設計基于大數(shù)據(jù)的配電網(wǎng)故障診斷預測模型，增強對配電網(wǎng)故障檢測的正確率，促進配電網(wǎng)的循環(huán)利用，提高配電網(wǎng)的生命周期，節(jié)約經(jīng)濟成本。

1 基于大數(shù)據(jù)的配電網(wǎng)故障診斷預測模型

1.1 基于RS-IA模型的故障定位

本文基于大數(shù)據(jù)的配電網(wǎng)故障診斷預測模型，故障定位利用的是一種基于粗糙集理論的免疫算法（rough-set-immune-algorithm，RS-IA）模型，RS理論能高效地對不準確、模糊的數(shù)據(jù)進行有規(guī)律的總結，總結其中的深層含義；IA可對故障信息進行大規(guī)模智能搜索[4]，削弱冗余數(shù)據(jù)的干擾并尋找最優(yōu)解。本文利用RS-IA模型進行配電網(wǎng)故障診斷位置的定位步驟如下：

1）根據(jù)配電網(wǎng)的相關理論，構建配電網(wǎng)故障診斷預測挖掘數(shù)據(jù)庫；

2）對故障發(fā)生位置特征進行提取，確定與之對應的條件屬性和決策屬性；

3）根據(jù)步驟2）確定的屬性特征，將配電網(wǎng)的故障轉(zhuǎn)化為RS決策表；

4）將RS決策表的求約簡問題轉(zhuǎn)變?yōu)榍髤^(qū)分矩陣最小約簡數(shù)的問題，并利用IA進行求值；

5）從得到的最簡約簡集合中獲得所需規(guī)則；

6）根據(jù)得到的規(guī)則對配電網(wǎng)發(fā)生故障位置進行診斷預測，利用IA求解最小約簡數(shù)算法，步驟如下：對決策屬性D對條件屬性C的依靠值KC進行計算[4]，并假設Cone(C)=?，依照順序?qū)l件屬性中單個存在的屬性進行剔除且a∈C，若存在KC-a≠KC，即 得 到 Cone(C)=Cone(C)? a，核 用Cone(C)表示；若 KC-a=KC，此時的 Cone即為最佳的屬性約簡。

本文對初始抗體群的編碼方式采用二進制的編碼，條件屬性C與抗體長度相對應，抗體中基因表示條件屬性是否保留，0表示拋棄該條件屬性，1表示進行約簡計算時保留該條件屬性。初始化核的條件屬性對應位取1并進行保留，其它位保留還是拋棄隨機選取[5]，因此得到抗體表達式為[0，1，1，…，0，1]，該式即為初始抗體群N。通常對計算結果的滿意度用親和力表示，文章計算抗原和抗體的親和力，其中親和力值越大，表示得到的數(shù)據(jù)可信度越高，本文采用適應度函數(shù)的倒數(shù)為親和力函數(shù)，適應度函數(shù)表達式如下：

式中：N為條件屬性的數(shù)值；lv為抗體v中包含“1”的數(shù)量，與進行約簡完畢后的條件屬性的數(shù)量相同；K，A分別為抗原和抗體的依賴程度以及調(diào)節(jié)因子。

對兩個抗體的親和力進行計算：

式中：differvw為抗體間結合強度的大小，大小不同表明相同抗體位置攜帶不同編碼基因數(shù)量不同。

計算抗體v的種群計算公式如下式所示：

式中：Tac1為確定的固定免疫選擇值。

應對抗體進行促進或抑制操作[5]。促進操作可增大抗體的多樣性，提高親和力，但抗體濃度過高時親和作用可能被抑制，需要降低抗體濃度，記憶庫中的數(shù)據(jù)應隨時更新；抗體之間不斷進行交叉變異構成下一代的新抗體群，若滿足最終條件則結束，否則回到步驟3）。

由計算得出的最優(yōu)屬性的約簡，進而得到?jīng)Q策規(guī)則，可將配電網(wǎng)故障診斷與決策規(guī)則相結合，對配電網(wǎng)故障發(fā)生位置進行迅速定位，實現(xiàn)配電網(wǎng)故障的初步診斷。

1.2 基于模糊積分的故障診斷預測模型

基于上文獲取的配電網(wǎng)故障初步診斷結果，將電網(wǎng)的拓撲關系與之結合，計算各故障信息對故障元件的支持度，采取模糊積分的信息融合實施故障判斷，可以對樣本訓練和拓撲變化問題進行改進[6]，使故障診斷的效果得到加強。提高配電網(wǎng)大數(shù)據(jù)的運算速率可診斷出多種故障，是實現(xiàn)高效、快速診斷和預測大數(shù)據(jù)環(huán)境下配電網(wǎng)故障位置發(fā)生的重要手段。本文基于大數(shù)據(jù)的配電網(wǎng)故障診斷預測模型的綜合診斷框圖如圖1所示。圖中，基于RS-IA模型獲取的配電網(wǎng)初步故障信息，對該故障信息進行數(shù)據(jù)預處理，再對故障元件實施初級判斷，在此判斷基礎上融合配電網(wǎng)的拓撲關系實施模糊積分故障診斷，得到配電網(wǎng)故障診斷結果。

圖1 故障診斷框結構圖Fig.1 Structure diagram of the fault diagnosis box

故障信息預處理功能為確定發(fā)生故障元件同時進行信息分類，當配電網(wǎng)系統(tǒng)發(fā)生故障時，系統(tǒng)會自動進行故障位置斷開[7]，造成部分區(qū)域發(fā)生斷電，初步判斷故障位置在斷電區(qū)域，接下來即進行斷電區(qū)域故障診斷。通過實時接結線分析法判斷故障位置前后的拓撲結構差異，實現(xiàn)對故障位置的準確定位，故障發(fā)生位置處的電力元件即為故障元件。本文基于大數(shù)據(jù)的配電網(wǎng)故障診斷預測模型對繼電器進行簡化，在輸入故障信息前還需對故障信息進行解析和分類[8]，如添加第一和第二后備保護，將高頻、差動以及過流等保護措施劃分歸類。

1.2.1 數(shù)學描述模糊積分

數(shù)學角度分析模糊積分是基于模糊測度的非線性運算，模糊積分概念的提出主要目的是利用其進行解決各相互獨立因子之間存在的交互影響。

假設一個非空集合X，Y是集合X下的一個非空子集，現(xiàn)規(guī)定集合Y的非負數(shù)的廣義實數(shù)集函數(shù)u:Y→[0,∞]是模糊測度，并且滿足如下特點：

1）u(φ)=0 u(X)=1(正則性 )；

2）?A,B? Y,A? B ? u(A)≤ u(B)(單調(diào)性 )；

能夠得到唯一確定λ＞-1且λ≠0。

依照函數(shù)f(x)各個故障信息的客觀數(shù)值對集合X排序，降序排列形式如f(x1)≥f(x2)≥…≥f(xn)，則模糊測度g(xi)的求解過程如下：

常用的模糊積分方式為Sugeno模糊積分和Choquet模糊積分，但Sugeno模糊積分自身舍棄可加性[10]，在應用過程中限制作用較明顯，本文為規(guī)避該問題，模糊積分方式應用Choquet模糊積分。

當確定集合X的模糊測度g后，能夠得到函數(shù)關于模糊測度g的Choquet模糊積分表達式：

式（7）中，函數(shù)f(x)存在f(x1)≥(x2)≥…≥f(xn),f(x0)=0，則經(jīng)Choquet模糊積分后的E值為經(jīng)診斷得到的配電網(wǎng)故障可能指標。

1.2.2 初級診斷結果預處理

當診斷結果顯示該處無故障或與之相連的元件也無故障時，該結果表明自身故障對相連元件的支持度為0。但實際診斷出的結果是不為0的，對結構較復雜的元件來講，會造成故障指標偏大[11]，容易造成故障元件錯判。Choquet模糊積分的單調(diào)屬性會對診斷結果造成影響，因此對1.2.1小節(jié)獲取的配電網(wǎng)故障初級診斷進行預處理十分重要，本文采用模糊技術進行預處理，選擇的隸屬度為

式中：x，y分別為輸入數(shù)據(jù)和輸出結果。

本文配電網(wǎng)故障診斷預測模型中，設置x1和x2的數(shù)值分別為0.1和0.4，規(guī)定f(x1)的值為0.01，因為x=x2處連續(xù)，得到c和a的值分別是0.429 1和0.072 7。

1.2.3 確定模糊測度

配電網(wǎng)自動化裝置會受到各種因素的干擾，故障信息對不同關聯(lián)強度的元件支持度也不盡相同，等同于模糊測度的不同。測量模糊測度通常采用樣本測試、準確性比較以及專家經(jīng)驗三種方式，要想準確地進行元件的故障診斷，需將初級診斷結果與配電網(wǎng)的拓撲結構相結合[12]，本文方法模糊測度的確定依靠專家的經(jīng)驗。將專家經(jīng)驗與實際情況結合，表1為確定故障元件診斷結果的模糊測度表。

表1 故障元件的模糊測度Tab.1 Fuzzy measure of faulty components

1.2.4 故障診斷流程

本文基于大數(shù)據(jù)的配電網(wǎng)故障診斷預測模型中應用模糊積分融合技術對配電網(wǎng)故障診斷總流程如下：

1）對故障發(fā)生前后配電網(wǎng)的拓撲信息進行提取，構成故障元件的候選集合X={x1,x2,…,xn}；

2）配電故障信息預處理并對繼電器的保護數(shù)據(jù)進行分析整理；

3）對不同的候選元件實施故障診斷[13]；

4）對經(jīng)過RS-IA模型進行初級診斷后的結果進行預處理；

5）由配電網(wǎng)的拓撲信息，能夠得出不同候選元件直接相連的元件的集合Xi-indirect={xm,…,xn}以及隔一級相關聯(lián)的集合Xi-indirect={xk,…,xl}；

6）確定故障候選元件xi以及關聯(lián)元件的情況，根據(jù)上文中的式（4）～式（6），其中，式（4）確定λ，模糊度測度gλ根據(jù)式（5）和式（6）求出；

7）根據(jù)拓撲信息以及元件的診斷結果[14]，形成與故障候選元件xi直接相連元件支持度集合Fi-direct={fm,…,fn}以及隔一級相關聯(lián)元件支持度集合Fi-indirect={fk,…,fl}；

8）由式（7）計算得到的模糊積分值，即為本文模型的綜合診斷可能指標[15]，構成故障可能性指標集合E={e1,e2,…,eN}；

9）由得出的故障可能性指標集合確定配電網(wǎng)故障發(fā)生的元件。

2 實驗分析

為驗證本文模型的優(yōu)越性，將本文模型與基于RS-GA數(shù)據(jù)挖掘模型應用于配電網(wǎng)故障診斷中，求得的最優(yōu)屬性約簡個數(shù)以及用時情況進行比較。實驗在Matlab環(huán)境下構建兩種配電網(wǎng)故障定位程序，對某市的大規(guī)模配電網(wǎng)進行故障定位。為保證實驗對比結果突出，兩個模型的其余參數(shù)應保持一致，表2為兩個模型的最佳屬性約簡個數(shù)及用時結果。

表2 兩個模型測試結果Tab.2 Two model test results

從表2可以看出，實驗環(huán)境與設備等配置都相同的情況下，本文模型在用于檢測規(guī)模較大的配電網(wǎng)故障診斷中能較好地計算出最佳屬性約簡并且故障檢測的用時也較短，且本文模型在進行故障定位過程中導入抗體濃度，能有效防止出現(xiàn)局部過度收斂現(xiàn)象，使故障定位的準確率得到提高，提高本文模型的可信度。

基于大數(shù)據(jù)的配電網(wǎng)故障診斷預測模型中運用本文Choquet模糊積分在故障定位精度和運算速率上具有較大的優(yōu)勢。Sugeno模糊積分與Choquet模糊積分在數(shù)據(jù)預處理過程相似。為進一步測試本文模糊積分應用于本文模型進行故障定位的效果，現(xiàn)利用Sugeno模糊積分、上積分和下積分作為對比實驗，比較4種模糊積分方法在得到適應度值為0時的迭代次數(shù)，且設置最大迭代次數(shù)N不超過100，仿真計算結果如圖2所示。

圖2 仿真結果Fig.2 Simulation results

從圖2結果可以看出，當4種模糊積分均達到收斂的情況下，本文采用的模糊積分相比較其它3種模糊積分方法，達到全局最優(yōu)的迭代次數(shù)最小。對該4種模糊積分方法各自運行100次，按照每次進行故障定位得到最優(yōu)解的迭代次數(shù)，對消耗時間的最大值、最小值、均值以及正確率進行記錄。表3為不同模糊積分方法對配電網(wǎng)故障區(qū)域的定位結果。

表3 故障區(qū)域的定位結果Tab.3 Location results of fault area

表3數(shù)據(jù)說明，本文模型在利用Choquet模糊積分進行配電網(wǎng)故障區(qū)域定位時，迭代次數(shù)的最大值都遠低于其它模糊積分的迭代次數(shù)，且消耗時間也較短，節(jié)約了大量的時間資源，故障定位的準確率比其它模糊積分高10%以上?？梢姳疚哪Ｐ筒捎玫腃hoquet模糊積分在進行搜索配電網(wǎng)的故障發(fā)生位置時，可快速、準確地定位故障發(fā)生的準確位置。

實驗在Matlab仿真環(huán)境下，監(jiān)測本文基于大數(shù)據(jù)的配電網(wǎng)故障診斷預測模型進行故障檢測時配電網(wǎng)的生命周期和安全性。實驗模擬仿真100個故障發(fā)生點，將每個故障點視為一個節(jié)點，將中性點不接地單向接地故障檢測模型、基于無線傳感器的故障檢測模型當成對比模型，三種故障檢測手段分別對100個實驗配電網(wǎng)故障點進行檢測。

圖3為不同檢測時間下，實驗配電網(wǎng)在不同模型下的生命周期圖像。

圖3 配電網(wǎng)的生命周期圖像Fig.3 Life cycle image of distribution network

從圖3生命周期圖像可以看出，進行故障檢測后很多故障發(fā)生位置的數(shù)據(jù)失效節(jié)點死亡，本文模型相較與其它兩種模型其在故障檢測過程中死亡節(jié)點在10%以內(nèi)，另外兩種模型在故障檢測后節(jié)點失效比例較高，說明本文模型提高了配電網(wǎng)的生命周期，提高大規(guī)模配電網(wǎng)的使用期限和經(jīng)濟效益。

在對配電網(wǎng)進行故障檢測中干擾數(shù)據(jù)會對故障點的準確判斷造成影響，故障節(jié)點接收的干擾數(shù)據(jù)越少，檢測出的故障點的可信度就越高。實驗對三種故障檢測模型在不同時間下接收的干擾數(shù)據(jù)進行測量，測量接收干擾數(shù)據(jù)比例結果如圖4所示。

圖4 故障點接收干擾數(shù)據(jù)比例Fig.4 Proportion of interference data received at the fault point

從圖4結果可以看出，本文模型在進行故障診斷時隨著時間增長，接收的干擾數(shù)據(jù)比例較低，保持在0.01%～0.02%之間；而中性點不接地單向接地故障檢測模型從故障檢測開始接收的干擾數(shù)據(jù)比例就不斷上升，對故障診斷造成的影響較大；基于無線傳感器的故障檢測模型雖然隨時間變化接收干擾數(shù)據(jù)比例波動較小，但基數(shù)值較大，對配電網(wǎng)的故障診斷誤判影響也較大。說明本文模型在應用于較大規(guī)模的配電網(wǎng)故障診斷時，接收干擾數(shù)據(jù)較低，故障診斷正確率較高。

3 結論

本文設計的基于大數(shù)據(jù)的配電網(wǎng)故障診斷預測模型，首先采用RS-IA模型對大規(guī)模故障信息進行智能搜索，計算出最優(yōu)約簡得到?jīng)Q策規(guī)則，實現(xiàn)對配電網(wǎng)故障發(fā)生位置的初步定位；再采用基于模糊積分的故障診斷預測模型，根據(jù)初步診斷結果確定發(fā)生故障的候選元件及模糊測度值；最后確定配電網(wǎng)故障發(fā)生的準確位置。結果表明，本文設計的模型在應用于較大規(guī)模的配電網(wǎng)故障診斷時，能對大規(guī)模配電網(wǎng)故障進行準確定位，縮短故障檢測用時，提高時間的利用效率，并且接收干擾數(shù)據(jù)較低，故障診斷正確率較高，延長了配電網(wǎng)的使用期限。